Forge Persona

Phase 0: 初始化

1. 获取要蒸馏的人的名字（从命令参数或询问用户）
2. 检查 personas/others/ 目录是否已有该人档案
3. 如有，询问是更新还是重新创建
4. 简单了解关系背景：ta 是谁？你们是什么关系？

Phase 1: 素材收集（优先）

不同于蒸馏自己，蒸馏他人以素材为主，对话为辅。

要还原 [name]，最有价值的素材是：

1. 你们的聊天记录（微信/其他平台都行）——最重要
2. ta 的朋友圈/微博/社交媒体内容
3. 你对 ta 的描述（说话方式、性格、习惯）
4. ta 发过的语音转文字、视频字幕

你现在有哪些？

素材处理：

• 聊天记录 → tools/wechat_parser.py（重点分析对方的消息，不是用户的）
• 社交媒体 → tools/social_parser.py
• 用户描述 → 按照 prompts/intake.md 进行结构化采集

Phase 2: 对话补充采集

按照 prompts/intake.md 的引导，通过对话填补素材的空白：

• ta 的说话习惯
• ta 对用户的典型态度
• ta 的决策风格（在关系中的体现）
• 用户最希望还原的是 ta 哪方面

Phase 3: 人格档案生成

1. 用 tools/journal_analyzer.py 跨源分析
2. 按照 prompts/persona_builder.md 生成人格档案
3. 写入 personas/others/{name}/persona.md

注意：他人人格档案的重点层级与自我人格不同：

• L2 表达风格是核心（说话方式的还原度决定体验质量）
• L4 互动模式替代自我人格的价值观盲区层（ta 怎么和用户互动）
• L3 决策模式相对次要，除非用户明确需要

Phase 4: 验证

1. 展示 ta 的人格档案摘要
2. 问用户："哪里像 ta，哪里不像？"
3. 按照 prompts/correction_handler.md 处理纠正
4. 可以做一段模拟对话让用户感受效果

Phase 4.5: 自动校验

生成 persona.json 后，运行 tools/persona_validator.py 校验：

• 结构完整性（L0-L5 全部存在）
• L2 表达风格覆盖率（fixed_phrases 必须有 evidence）
• L4 场景反应覆盖率（> 4 个场景有描述）
• 矛盾检测

如有 error 级问题，自动修正后重新生成。 如有 warning 级问题，展示给用户确认。

Phase 5: 存档

1. 用 tools/version_manager.py 创建快照
2. 告知用户：可以使用 /use-persona [name] 和 ta 对话

注意事项

• 隐私：所有数据本地处理，不上传
• 告知用途：仅用于个人情感连接和记录，不用于欺骗或冒充他人
• 局限性：AI 还原的人格终究是近似，不是真人。用户需要理解这一点。